[发明专利]一种复杂环境下的行人移动轨迹在线预测方法及系统

说明书

本发明公开了一种复杂环境下的行人移动轨迹在线预测方法及系统，该方法包括：基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；根据行人历史轨迹提取行人多维度移动特征；基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹。该系统包括：数据获取模块、特征提取模块、模型训练模块和预测模块。通过使用本发明，能够提高轨迹预测的准确率，降低智能移动设备与周围行人碰撞的风险。本发明作为一种复杂环境下的行人移动轨迹在线预测方法及系统，可广泛应用于智能交通领域。

技术领域

本发明属于智能交通领域，尤其涉及一种复杂环境下的行人移动轨迹在线预测方法及系统。

背景技术

随着计算机技术、传感器技术、人工智能和5G通讯技术的迅速发展，智能交通系统和智能化移动设备的应用逐渐普及。自动驾驶汽车安装了大量传感器，能够实时探测到周围一定范围内的行人。准确的行人轨迹预测对自动驾驶系统至关重要，它可以帮助系统在车辆行驶过程中正确地进行决策，如刹车、减速、转弯或直行。目前，行人轨迹预测模型以离线模型为主，即模型建立或者训练好之后就固定不变，离线模型不会随新的输入数据动态调整。然而，行人移动的随机性大、动态性强，离线模型因此很难应对实时动态预测的需求。

发明内容

为了解决上述技术问题，本发明的目的是提供一种复杂环境下的行人移动轨迹在线预测方法及系统，提高轨迹预测的准确率，降低智能移动设备与周围行人碰撞的风险。

本发明所采用的第一技术方案是：一种复杂环境下的行人移动轨迹在线预测方法，包括以下步骤：

基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；

根据行人历史轨迹提取行人多维度移动特征；

基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；

动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹；

所述行人多维度移动特征包括位置特征、速度特征、加速度特征和阻力特征。

进一步，所述基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹这一步骤，其具体包括：

基于智能移动设备探测一定时间内的行人位置数据；

以T＝{(x₁，y₁，t₁),,...,(x_i，y_i，t_i),...,(x_n，y_n，t_n)}三元组集合的形式表达每一个行人在一段时间内的运动轨迹，得到行人历史数据。

进一步，所述根据行人历史轨迹提取行人多维度移动特征这一步骤，其具体包括：

根据行人历史轨迹提取位置特征、速度特征、加速度特征和阻力特征；

所述位置特征包括行人当前位置的x坐标、行人当前位置的y坐标和对应的时刻t，所述速度特征包括行人当前运动速度大小和行人当前运动速度方向，所述加速度特征包括行人加速度大小和行人加速度方向，所述阻力特征包括行人运动阻力大小和行人运动阻力方向；

根据位置特征中相邻位置点的距离和时间间隔计算行人运动速度大小；

根据位置特征中相邻位置点的偏移计算行人运动速度方向；

根据相邻位置点的行人运动速度大小和时间间隔计算行人运动加速度大小；

根据行人运动速度大小和行人运动速度方向计算行人运动加速度方向；